論文の概要: Refine Connections, Close the Gap: A Reliable Enhancement Framework for Driving Scene Topology

• arxiv url: http://arxiv.org/abs/2610.11058v2
• Date: Mon, 12 Oct 2026 07:26:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-14 23:39:49.653551
• Title: Refine Connections, Close the Gap: A Reliable Enhancement Framework for Driving Scene Topology
• Title（参考訳）: Refine Connections, Close the Gap: シーントポロジを駆動するための信頼性の高い拡張フレームワーク
• Abstract要約: 自律運転においては、シーントポロジの理解は安全な経路計画と移動制御にとって重要である。 現在の手法は個々の地図要素を検出するのに優れているが、接続性の推論は理論的なポテンシャルに劣ることが多い。 TopoEnhanceは,既存の手法の潜在可能性の解放を目的とした新しいトポロジー拡張フレームワークである。
• 参考スコア（独自算出の注目度）: 37.913199649253606
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In autonomous driving, understanding scene topology - the connectivity between lanes and traffic elements - is critical for safe path planning and motion control. While current methods excel at detecting individual map elements, their connectivity reasoning often falls short of its theoretical potential, leaving a significant performance gap relative to the theoretical upper-bound achievable given the underlying detections. Furthermore, the decision-ready topology graphs passed to downstream tasks often remain unreliable. Current approaches typically derive connectivity by thresholding continuous topology scores; however, these scores often fail to reflect the true logical likelihood of connectivity, resulting in false positives or missing connections. Existing benchmarks further overlook this issue by primarily evaluating continuous metrics, rather than assessing the discrete connectivity required for decision-making. To bridge these gaps, we propose TopoEnhance, a novel topology enhancement framework designed to unlock the latent potential of existing methods and improve the reliability of decision-ready topology. We formulate topology enhancement as a denoising-based reconstruction process, where the model learns to recover structural consistency from stochastically corrupted ground-truth graphs. This formulation enables the model to resolve logical inconsistencies and rectify unreliable connections, producing robust discrete topology graphs that closely approach theoretical maximum performance. Extensive experiments across different baselines show that TopoEnhance consistently improves both continuous topology metrics (TOP score), and discrete connectivity measured by our adapted Topology Jaccard Similarity (TJS) metric. As a flexible, source-agnostic framework, TopoEnhance delivers substantial gains across diverse state-of-the-art baselines without requiring retraining.
• Abstract（参考訳）: 自律運転では、車線と交通要素の接続性というシーントポロジを理解することが、安全な経路計画と移動制御に不可欠である。 現在の手法は個々の地図要素を検出するのに優れているが、その接続性推論は理論的なポテンシャルに劣ることが多く、基礎となる検出により理論上界よりも高い性能の差を残している。 さらに、下流のタスクに渡される決定可能なトポロジグラフは、しばしば信頼できないままである。 現在のアプローチは通常、連続的なトポロジスコアをしきい値にすることで接続を導出するが、これらのスコアは接続の真の論理的可能性の反映に失敗し、偽陽性または欠落した接続をもたらす。 既存のベンチマークでは、意思決定に必要な独立した接続性を評価するのではなく、主に継続的なメトリクスを評価することで、この問題をさらに見落としている。 これらのギャップを埋めるため,既存の手法の潜在可能性の解放と,決定可能なトポロジの信頼性向上を目的とした新しいトポロジ拡張フレームワークであるTopoEnhanceを提案する。 モデルが確率的に劣化した基底構造グラフから構造的一貫性を回復する過程をデノナイジングベースで再現するプロセスとしてトポロジーの強化を定式化する。 この定式化により、モデルは論理的矛盾を解決し、信頼できない接続を正し、理論的な最大性能に近づいた頑健な離散トポロジーグラフを生成することができる。 異なるベースラインにわたる大規模な実験により、TopoEnhanceは連続トポロジメトリクス(TOPスコア)と、適応したトポロジジャカード類似度(TJS)測定値によって測定された離散接続性の両方を一貫して改善することが示された。 TopoEnhanceはフレキシブルでソースに依存しないフレームワークである。

関連論文リスト

• Adaptive Recurrent Message Passing for Test Time Computing on Graphs [80.56829418752513]
  繰り返しグラフモデルでは,グラフデータとアーキテクチャ設計の固有のミスマッチを克服できることを示す。 本稿では,アダプティブ・リカレントグラフモデルであるAdaRを提案する。
  論文  参考訳（メタデータ） (2026-06-21T12:14:11Z)
• Enabling Scalable Topology Inference in Distribution Systems via Constrained Multi-Source Inference [10.602779718858965]
  配電系統のトポロジーは, 停電の局所化, 電圧解析, 配電系統の運用に不可欠である。 既存のトポロジ同定法は主に電気的類似性や空間記録のみに依存している。 本稿では,分散トポロジの同定を制約付き推論問題として定式化し,ユーティリティが提供するベーストポロジを洗練させる。
  論文  参考訳（メタデータ） (2026-05-30T06:00:34Z)
• Topo-R1: Detecting Topological Anomalies via Vision-Language Models [42.86510112477789]
  トポロジカルな正確性は、血管、神経線維、道路網などの構造にとって重要である。 我々は,様々なトポロジ的異常を検証可能なアノテーションで合成する自動データキュレーションパイプラインを開発した。 次に、トポロジを意識した視覚言語モデルを実現するフレームワークであるTopo-R1を紹介する。
  論文  参考訳（メタデータ） (2026-03-13T15:05:04Z)
• On Multi-Step Theorem Prediction via Non-Parametric Structural Priors [50.16583672681106]
  本研究では,インコンテキスト学習(ICL)のレンズによる学習自由な定理予測について検討する。 本稿では,過去の解の時間的依存関係を有向グラフとしてエンコードし,推論中に探索空間を効果的に引き起こす明示的なトポロジ的制約を課すTheorem Precedence Graphsを提案する。 FormalGeo7kベンチマークの実験から,本手法は89.29%の精度を実現し,ICLベースラインを著しく上回り,最先端の教師付きモデルに適合することがわかった。
  論文  参考訳（メタデータ） (2026-03-05T06:08:50Z)
• HELP: HyperNode Expansion and Logical Path-Guided Evidence Localization for Accurate and Efficient GraphRAG [53.30561659838455]
  大きな言語モデル(LLM)は、しばしば固有の知識境界と幻覚に苦しむ。 Retrieval-Augmented Generation (RAG) は、マルチホップ推論に不可欠な構造的相互依存性をしばしば見落としている。 ヘルプは、複数の単純でマルチホップなQAベンチマークで競合性能を達成し、グラフベースのRAGベースラインよりも28.8$times$のスピードアップを実現している。
  論文  参考訳（メタデータ） (2026-02-24T14:05:29Z)
• Amortized Reasoning Tree Search: Decoupling Proposal and Decision in Large Language Models [2.5170433424424874]
  Reinforcement Learning with Verifiable Rewardsは、大規模言語モデルにおける厳格な推論能力を取り入れるための支配的なパラダイムとして、自らを確立している。 このアライメントプロセスにおいて重要な病理は、有効だが稀な(ベースモデル分布下での低様相)推論経路の体系的抑制である。 本稿では,ベースモデルの潜伏多様性を捨てることなく,この崩壊を防止すべく,ARTS(Amortized Reasoning Tree Search)を提案する。
  論文  参考訳（メタデータ） (2026-02-13T11:52:50Z)
• Binary Flow Matching: Prediction-Loss Space Alignment for Robust Learning [23.616336786063552]
  フローマッチングは、生成モデリングの強力なフレームワークとして登場した。 速度に基づく目的と結合した場合に発生する潜在構造ミスマッチを同定する。 信号空間に対する目的の再調整が特異重み付けを排除していることを示す。
  論文  参考訳（メタデータ） (2026-02-11T02:02:30Z)
• CoG: Controllable Graph Reasoning via Relational Blueprints and Failure-Aware Refinement over Knowledge Graphs [53.199517625701475]
  CoGはDual-Process Theoryにインスパイアされたトレーニング不要のフレームワークで、直観と熟考の相互作用を模倣している。 CoGは精度と効率の両方において最先端のアプローチを著しく上回っている。
  論文  参考訳（メタデータ） (2026-01-16T07:27:40Z)
• Topology Identification and Inference over Graphs [61.06365536861156]
  グラフ上で進化するプロセスのトポロジの同定と推論は、脳、輸送、金融、電力、および社会的および情報ネットワークを含むタイムリーな応用に現れる。 本章では,多次元データに対するグラフトポロジ同定と統計的推測手法の概要について述べる。
  論文  参考訳（メタデータ） (2025-12-11T00:47:09Z)
• RATopo: Improving Lane Topology Reasoning via Redundancy Assignment [20.251109000921044]
  レーントポロジ推論は自動運転において重要な役割を果たす。 レーントポロジー推論のための冗長割当て戦略であるRATopoを提案する。
  論文  参考訳（メタデータ） (2025-08-21T06:06:02Z)
• Relation Matters: Foreground-aware Graph-based Relational Reasoning for Domain Adaptive Object Detection [81.07378219410182]
  我々は、FGRR(Fearground-aware Graph-based Reasoning)というドメインDのための新しい汎用フレームワークを提案する。 FGRRはグラフ構造を検出パイプラインに組み込んで、ドメイン内およびドメイン間フォアグラウンドオブジェクト関係を明示的にモデル化する。 実験の結果、提案したFGRRは4つのDomainDベンチマークの最先端よりも優れていることが示された。
  論文  参考訳（メタデータ） (2022-06-06T05:12:48Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。